基于搜索结果的聚类算法

当前的搜索引擎中,存在大量的冗余搜索结果,且不能对搜索结果进行指导分类。本文提出一种基于密度的聚类算法,能够有效地对搜索结果进行聚类优化和分类。该算法选取搜索结果中权重高于一定值的网页,提取网页的特征值与候选关键字,标注特征范围,再进行网页相似度比较,最大限度地消除冗余网页,并根据网页的候选关键字提供分类,从而提高搜索结果的精准性和满意度,达到更智能的效果。     

一种具有初始化功能的自适应惯性权重粒子群算法

提出了一种改进的具有初始化功能的自适应惯性权重粒子群优化(PSO)算法.该算法首先引入自适应惯性权重策略均衡全局和局部搜索能力,并针对运行过程中出现停滞现象的粒子群,围绕其加权重心位置重新初始化,引导粒子突破了局部极值的限制,提高了算法的收敛速度.最后,将此算法、PSO算法及惯性权重线性递减的PSO(LDW-PSO)算法进行了比较.实验结果表明,该算法不仅有效地增强了粒子突破局部极值的能力,而且算法的收敛速度和稳定性也有了一定的提高.     

An improved approximation approach incorporating particle swarm optimization and a priori information into neural networks

In this paper, an improved approach incorporating adaptive particle swarm optimization (APSO) and a priori information into feedforward neural networks for function approximation problem is proposed. It is well known that gradient-based learning algorithms such as backpropagation algorithm have good ability of local search, whereas PSO has good ability of global search. Therefore, in the improved approach, the APSO algorithm encoding the first-order derivative information of the approximated function is used to train network to near global minima. Then, with the connection weights produced by APSO, the network is trained with a modified gradient-based algorithm with magnified gradient function. The modified gradient-based algorithm can reduce input-to-output mapping sensitivity and lessen the chance of being trapped into local minima. By combining APSO with local search algorithm and considering a priori information, the improved approach has better approximation accuracy and convergence rate. Finally, simulation results are given to verify the efficiency and effectiveness of the proposed approach.     

Training neural networks with additive noise in the desired signal

A global optimization strategy for training adaptive systems such as neural networks and adaptive filters (finite or infinite impulse response) is proposed. Instead of adding random noise to the weights as proposed in the past, additive random noise is injected directly into the desired signal. Experimental results show that this procedure also speeds up greatly the backpropagation algorithm. The method is very easy to implement in practice, preserving the backpropagation algorithm and requiring a single random generator with a monotonically decreasing step size per output channel. Hence, this is an ideal strategy to speed up supervised learning, and avoid local minima entrapment when the noise variance is appropriately scheduled.     

基于改进自适应粒子群算法的目标定位方法

针对现有目标定位求解算法推导复杂和自适应粒子群算法仍存在收敛速度慢、计算量大的缺点,提出了一种基于速度自适应和变异自适应融合的改进粒子群算法。该算法在速度自适应粒子群算法的基础上,优化选择粒子,并根据种群适应度方差值进行自适应变异,增强算法快速收敛的能力。仿真结果表明该方法能有效地提高目标定位精度,在随机噪声干扰方差为。.5的条件下,定位均方误差不超过1. 5m,且收敛速度增快,计算量减小。     

一种改进的自适应中值滤波算法

针对未知脉冲噪声强度的退化图像的去噪,提出了一种新的自适应中值滤波算法,该算法主要基于以下两点：（1）根据模糊数学里的模糊度理论及随机脉冲噪声本身的去噪特点,提出了模糊指标的概念,并通过反向二阶拟合来获得噪声的强度信息;（2）引入了反映图像边缘信息的Prewitt梯度算子,并通过实验来得到合适的梯度阚值,以更好地保持图像的边缘等细节信息.通过将该算法与传统的中值滤波、基于排序阈值的开关中值滤波以及Sorin Zoican提出的改进的中值滤波进行的对比实验表明,该算法对噪声的强度有很好的估计,不仅提高了噪声去除的自适应性,尤其对含噪声多的图像的处理效果更为理想.     

Adaptive receding horizon control for constrained MIMO systems

An adaptive control algorithm for open-loop stable, constrained, linear, multiple input multiple output systems is presented. The proposed approach can deal with both input and output constraints, as well as measurement noise and output disturbances. The adaptive controller consists of an iterative set membership identification algorithm, that provides a set of candidate plant models at each time step, and a model predictive controller, that enforces input and output constraints for all the plants inside the model set. The algorithm relies only on the solution of standard convex optimization problems that are guaranteed to be recursively feasible. The experimental results obtained by applying the proposed controller to a quad-tank testbed are presented.     

采用自适应优化权重的出库货位优化方法研究

当前出库货位优化研究对货物生产日期的考虑大多数仅仅是简单地使用先进先出原则,如何更合理考虑货物生产日期对货位优化的影响,是亟待解决的问题。针对此问题,提出以出库代价和货物剩余价值率为优化因素的货位优化模型,并采用基于自适应算子、精英策略和灾变算子的改进遗传算法结合基于仓库繁忙度的自适应优化权重对出库货位优化模型进行求解。采用企业实际生产数据进行验证,实验结果表明采用改进遗传算法的出库货位优化算法效果更优,并且使用基于仓库繁忙度的自适应优化权重,能够有效降低货物因过久存放而造成货物价值下降的风险同时又能在仓库繁忙时优先考虑出库效率。     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

基于自适应扰动的疯狂蝴蝶算法

蝴蝶优化算法作为新提出的自然启发算法,其寻优方式模拟了蝴蝶利用嗅觉来确定花蜜或交配对象位置的行为。针对蝴蝶优化算法求解精度不高和收敛速度慢等问题,提出一种基于自适应扰动的疯狂蝴蝶算法（CIBOA）。首先,在自身认知飞行部分引入自适应惯性权重,平衡算法的局部与全局搜索能力;其次,在全局最优位置引入扰动策略,避免算法陷入局部最优;最后,在花蜜位置引入疯狂因子以增加种群多样性,获取更好的最优解。通过8个基准函数对5种算法搜索性能在10、30和50维的情况下进行对比分析,仿真实验结果表明改进算法的综合表现要优于其他算法。     

一种求解函数优化问题的改进鲸鱼优化算法

为提高鲸鱼优化算法求解复杂函数优化问题的性能,提出一种基于自适应参数及小生境技术的改进鲸鱼优化算法。首先,引入自适应概率阈值协调算法的全局探索及局部开发能力;其次,利用自适应位置权重对鲸鱼位置更新公式进行调整,提高算法的收敛速度及寻优精度;最后,采用预选择小生境技术,避免算法出现早熟收敛的现象。通过对12个典型基准测试函数的仿真表明,改进算法的寻优精度和收敛速度较对比算法均有明显提升,证明了提出的改进策略能有效提高鲸鱼优化算法求解复杂函数优化问题的性能。     

Multi-view clustering via simultaneous weighting on views and features

In big data era, more and more data are collected from multiple views, each of which reflect distinct perspectives of the data. Many multi-view data are accompanied by incompatible views and high dimension, both of which bring challenges for multi-view clustering. This paper proposes a strategy of simultaneous weighting on view and feature to discriminate their importance. Each feature of multi-view data is given bi-level weights to express its importance in feature level and view level, respectively. Furthermore, we implements the proposed weighting method in the classical k-means algorithm to conduct multi-view clustering task. An efficient gradient-based optimization algorithm is embedded into k-means algorithm to compute the bi-level weights automatically. Also, the convergence of the proposed weight updating method is proved by theoretical analysis. In experimental evaluation, synthetic datasets with varied noise and missing-value are created to investigate the robustness of the proposed approach. Then, the proposed approach is also compared with five state-of-the-art algorithms on three real-world datasets. The experiments show that the proposed method compares very favourably against the other methods.     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。     

A sequential learning algorithm based on adaptive particle filtering for RBF networks

To address the problem of low filtering accuracy and divergence caused by unknown process noise statistics and local linearization in neural network state-space model, this paper proposes an adaptive process noise covariance particle filter algorithm for the radial basis function (RBF) networks. Using the algorithm, the evolution of the weights and centers of RBF networks is achieved sequentially in time by use of the extended Kalman particle filter algorithm, and the process noise covariance matrices are also obtained simultaneously by maximizing the evidence density function with respect to the process noise covariance matrices. Performance of the presented approach is evaluated by two function approximation problems. Experimental results show that the proposed approach obtains better prediction accuracy than other well-known training algorithms.     

自适应插值与特征压缩的小样本数据分类研究

大数据的类别不平衡与维度爆炸问题严重影响着算法的预测效率和分类精度。因此,提出了一种基于插值与特征压缩的大数据分类方法ASE-RFXT。改进ADASYN（adaptive synthetic sampling approach）的插值中心,减少了噪声的引入,改善了少数类样本的分布。改进ReliefF（特征权重法）,并将它与集成算法XGDT（extreme gradient dart tree）结合对特征进行并行加权,减少了权重受异常值的影响,使得评估更加准确。利用特征之间的相关性过滤低权重冗余特征,以XGDT的分类精度为评价指标通过SFS（sequential forward selection）压缩特征。实验结果表明ASE-RFXT方法可以降低特征维度,节约训练时间,提高不平衡小样本数据的分类精度。     

基于改进的鲸鱼优化算法在ELD上的应用

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将基于自适应权重更新策略和差分进化的随机变异策略的鲸鱼优化优化算法(ADWOA)相结合。该算法首先在鲸鱼优化算法中引入了自适应权重来提高WOA的搜索能力,使算法能够在早期执行精细的全局搜索,在后期执行精确的局部搜索,加速寻优算法的迭代,同时由于随机变异策略,会再次更新位置。然后从更新的结果中选择最优位置,以加速种群的收敛,并有效防止种群陷入局部最优将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度。最后,对多个算法在电力系统经济负荷分配问题进行了测试,验证了基于自适应权重的的鲸鱼优化算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

一种改进的自适应混合噪声滤波算法

对受到混合噪声影响的图像进行滤波,Lee和Kassam提出了一种MTM(Modified Trimmed Mean)滤波算法.但是MTM滤波算法的滤噪能力在很大程度上受到了阈值的限制,所以滤波效果并不理想.在分析了MTM算法的结构特点及其优缺点的基础上,提出了一种改进的自适应混合噪声滤波算法.该算法与MTM算法相比,滤噪能力不受到阈值的限制,并且对不同的噪声采用不同的滤波方法.通过matlab仿真,分析比较了该算法与其它滤波算法的性能.结果表明,与MTM滤波算法相比,该算法能够更有效地抑制噪声,保护图像边缘细节.     

自适应权重形态学边缘检测算法仿真研究

提出了一种自适应权重的多刻度形态学边缘检测算法。该算法首先在同一尺度下用多个结构元素分别进行边缘检测,并得到该尺度下的边缘图像,利用形态学结构元素“探针”原理和不同尺度结构元素抗噪性能来确定加权值的大小,然后对不同尺度下的边缘图像进行加权求和,再经过二值化、去噪等处理,得到最后的边缘检测结果。仿真结果表明,该方法具有较好的抗干扰性和定位准确性,得到的边缘更为完整。     

基于改进自适应PSO算法的WSN覆盖优化方法

在标准粒子群优化（particle swarm optimization, PSO）算法的基础上提出了一种带有动态惯性权重的自适应粒子群算法, 以实现移动WSN对被监测区域的覆盖。新算法引入了粒子群进化度因子和粒子群聚合度因子, 这两个因子的数值主要受粒子群的平均适应值、局部最优值和全局最优值影响。使用这两个因子调整惯性权重会使算法带有一定的自适应性, 这种自适应性使得算法在迭代过程中既不会因步长过小而局部收敛, 也不会因步长过大而跳过待求解问题的最优值。仿真结果表明, 相比标准PSO算法, 改进后的自适应PSO算法使移动WSN的覆盖率提升了5%~8%。     

改进罚函数法与蝙蝠算法在约束优化中的应用

设计了一种基于自适应罚函数法和改进蝙蝠算法的约束优化问题求解方法。提出了一种自适应罚函数法,该处理方法综合考虑了约束违反的情况和进化过程的特点,如果某个约束违反的次数越多,则证明该约束越强,赋予惩罚系数越大;种群中的不可行解的数量越多,为保持种群的多样性,则约束应该取较小的值,即惩罚系数取较小的值。提出了一种改进的蝙蝠算法,利用混沌的遍历性特点产生初始种群,增强了初始种群的多样性和种群的质量;在考虑了脉冲响度的蝙蝠算法局部搜索中,融入了交叉操作;为防止算法在后期陷入局部最优解,引进了变异操作,保证了群体的多样性。将自适应罚函数法与改进的蝙蝠算法融合起来求解约束优化问题,4个复杂的标准测试函数和2个工程实际问题证明了该约束优化求解方法的可行性和有效性。